La recherche dans le domaine de l’apprentissage automatique et de l’IA, désormais une technologie clé dans pratiquement toutes les industries et entreprises, est beaucoup trop volumineuse pour que quiconque puisse tout lire. Cette colonne vise à rassembler certaines des découvertes et des articles récents les plus pertinents – en particulier, mais sans s’y limiter, l’intelligence artificielle – et à expliquer pourquoi ils sont importants.
Cette semaine dans l’IA, des scientifiques ont mené une expérience fascinante pour prédire comment les plateformes « axées sur le marché » comme les entreprises de livraison de nourriture et de covoiturage affectent l’économie globale lorsqu’elles sont optimisées pour différents objectifs, comme la maximisation des revenus. Ailleurs, démontrant la polyvalence de l’IA, une équipe de l’ETH Zurich a développé un système capable de lire la hauteur des arbres à partir d’images satellites, tandis qu’un groupe distinct de chercheurs a testé un système pour prédire le succès d’une startup à partir de données Web publiques.
Le travail de la plate-forme axée sur le marché s’appuie sur AI Economist de Salesforce, un environnement de recherche open source pour comprendre comment l’IA pourrait améliorer la politique économique. En fait, certains des chercheurs à l’origine de l’AI Economist ont été impliqués dans les nouveaux travaux, qui ont été détaillés dans une étude initialement publiée en mars.
Comme les coauteurs l’ont expliqué à TechCrunch par e-mail, l’objectif était d’enquêter sur des marchés à deux faces comme Amazon, DoorDash, Uber et TaskRabbit qui jouissent d’un plus grand pouvoir de marché en raison de l’augmentation de la demande et de l’offre. En utilisant l’apprentissage par renforcement – un type de système d’IA qui apprend à résoudre un problème à plusieurs niveaux par essais et erreurs – les chercheurs ont formé un système pour comprendre l’impact des interactions entre les plateformes (par exemple, Lyft) et les consommateurs (par exemple, les passagers).
« Nous utilisons l’apprentissage par renforcement pour raisonner sur la façon dont une plate-forme fonctionnerait selon différents objectifs de conception… [Our] Le simulateur permet d’évaluer les politiques d’apprentissage par renforcement dans divers contextes sous différents objectifs et hypothèses de modèle », ont déclaré les coauteurs à TechCrunch par e-mail. « Nous avons exploré un total de 15 paramètres de marché différents – c’est-à-dire une combinaison de la structure du marché, des connaissances des acheteurs sur les vendeurs, [economic] intensité du choc et objectif de conception.
En utilisant leur système d’IA, les chercheurs sont arrivés à la conclusion qu’une plateforme conçue pour maximiser les revenus a tendance à augmenter les frais et à tirer plus de profits des acheteurs et des vendeurs lors de chocs économiques au détriment du bien-être social. Lorsque les frais de plate-forme sont fixes (par exemple, en raison de la réglementation), ils ont constaté que l’incitation à maximiser les revenus d’une plate-forme s’aligne généralement sur les considérations de bien-être de l’économie globale.
Les résultats ne sont peut-être pas bouleversants, mais les coauteurs pensent que le système – qu’ils prévoient d’ouvrir – pourrait fournir une base à une entreprise ou à un décideur pour analyser une économie de plate-forme dans différentes conditions, conceptions et considérations réglementaires. « Nous adoptons l’apprentissage par renforcement comme méthodologie pour décrire les opérations stratégiques des entreprises de plateforme qui optimisent leur tarification et leur appariement en réponse aux changements de l’environnement, que ce soit le choc économique ou une réglementation », ont-ils ajouté. « Cela peut donner de nouvelles informations sur les économies de plateforme qui vont au-delà de ce travail ou celles qui peuvent être générées de manière analytique. »
Tournant notre attention des entreprises de plateforme vers le capital-risque qui les alimente, des chercheurs originaires de Skopai, une startup qui utilise l’IA pour caractériser les entreprises en fonction de critères tels que la technologie, le marché et les finances, prétendent pouvoir prédire la capacité d’une startup à attirer investissements à l’aide de données accessibles au public. S’appuyant sur les données des sites Web de startups, des médias sociaux et des registres d’entreprises, les coauteurs affirment qu’ils peuvent obtenir des résultats de prédiction « comparables à ceux qui utilisent également des données structurées disponibles dans des bases de données privées ».
L’application de l’IA à la diligence raisonnable n’a rien de nouveau. Correlation Ventures, EQT Ventures et Signalfire font partie des entreprises qui utilisent actuellement des algorithmes pour informer leurs investissements. Gartner prédit que 75 % des sociétés de capital-risque utiliseront l’IA pour prendre des décisions d’investissement d’ici 2025, contre moins de 5 % aujourd’hui. Mais alors que certains voient la valeur de la technologie, des dangers se cachent sous la surface. En 2020, Harvard Business Review (HBR) a constaté qu’un algorithme d’investissement surpassait les investisseurs novices mais présentait des biais, par exemple en sélectionnant fréquemment des entrepreneurs blancs et masculins. HBR a noté que cela reflète le monde réel, soulignant la tendance de l’IA à amplifier les préjugés existants.
Dans des nouvelles plus encourageantes, des scientifiques du MIT, aux côtés de chercheurs de Cornell et de Microsoft, affirment avoir développé un algorithme de vision par ordinateur – STEGO – qui peut identifier les images jusqu’au pixel individuel. Bien que cela puisse ne pas sembler significatif, il s’agit d’une grande amélioration par rapport à la méthode conventionnelle d ‘«enseignement» d’un algorithme pour repérer et classer des objets dans des images et des vidéos.
Traditionnellement, les algorithmes de vision par ordinateur apprennent à reconnaître des objets (par exemple, des arbres, des voitures, des tumeurs, etc.) en leur montrant de nombreux exemples d’objets qui ont été étiquetés par des humains. STEGO supprime ce flux de travail chronophage et laborieux en appliquant à la place une étiquette de classe à chaque pixel de l’image. Le système n’est pas parfait – il confond parfois le gruau avec les pâtes, par exemple – mais STEGO peut segmenter avec succès des éléments tels que les routes, les personnes et les panneaux de signalisation, selon les chercheurs.
En ce qui concerne la reconnaissance d’objets, il semble que nous approchons du jour où des travaux universitaires comme DALL-E 2, le système de génération d’images d’OpenAI, seront produits. Une nouvelle recherche de l’Université de Columbia montre un système appelé Opal qui est conçu pour créer des images en vedette pour les reportages à partir de descriptions textuelles, guidant les utilisateurs tout au long du processus avec des invites visuelles.
Lorsqu’ils l’ont testé avec un groupe d’utilisateurs, les chercheurs ont déclaré que ceux qui avaient essayé Opal étaient « plus efficaces » pour créer des images en vedette pour les articles, créant plus de deux fois plus de résultats « utilisables » que les utilisateurs sans. Il n’est pas difficile d’imaginer qu’un outil comme Opal finisse par faire son chemin dans des systèmes de gestion de contenu comme WordPress, peut-être sous forme de plugin ou d’extension.
« Étant donné le texte d’un article, Opal guide les utilisateurs à travers une recherche structurée de concepts visuels et fournit des pipelines permettant aux utilisateurs d’illustrer en fonction du ton, des sujets et du style d’illustration d’un article », ont écrit les coauteurs. « [Opal] génère divers ensembles d’illustrations éditoriales, de ressources graphiques et d’idées conceptuelles. »